通过稀疏的专家混合物 - 深度强化学习来实现双脚轮腿机器人的自适应多模式移动
Pan He1, Zeang Zhao1, Shengyu Duan1
1Institute of Advanced Structure Technology, Beijing Institute of Technology, Beijing, China.
Frontiers in robotics and AI
|March 13, 2026
概括
这项研究介绍了一种新的强化学习框架,用于双脚轮腿机器人,使用专家混合 (MoE). 能源部的方法使车辆在轮式和脚式机车之间进行无过渡,提高了在不同地形上的稳定性和成功率.
科学领域:
- 机器人技术 机器人技术 机器人技术
- 人工智能的人工智能
- 控制系统 控制系统
背景情况:
- 双脚轮腿机器人提供了轮式效率和腿式适应性的综合优势.
- 在统一的控制框架中,在轮式和脚式机车之间无过渡是一个重大挑战.
研究的目的:
- 开发一种强化学习控制框架,以便在双脚机器人中,在轮式机器人和双脚机器人之间顺利过渡.
- 通过使用专家混合 (MoE) 架构来提高培训稳定性和性能.
主要方法:
- 实施了一个强化学习控制框架,整合了专家混合 (MoE) 架构.
- 利用动态门网和Top-K稀疏激活来自动分配运动模式.
- 对比了MoE增强的算法与单一网络的近接政策优化 (PPO) 方法.
主要成果:
- 与单一网络PPO相比,MoE增强的算法显示出更高的培训稳定性和更高的奖励.
- 学习的策略实现了平面上的平滑滚动和跨越障碍物的动态腿举步.
- 与单一网络PPO相比,在各种测试场地中观察到明显更高的成功率.
结论:
- 提出的MoE强化学习框架有效地解决了双脚轮腿机器人异质运动模式转换的挑战.
- 这种方法提高了机器人在复杂多样化的环境中的适应性和性能.
- 能源部的架构提供了一个强大的解决方案,用于统一控制双模式的机动.
更多相关视频
11:06A Human-machine-interface Integrating Low-cost Sensors with a Neuromuscular Electrical Stimulation System for Post-stroke Balance Rehabilitation
Published on: April 12, 2016
11.0K
05:25Author Spotlight: Assessing Brain Activity in Robotic-Assisted Lower Limb Rehabilitation Using fNIRS
Published on: June 7, 2024
1.8K
